Winst:
- Vermogen om beslissingsgericht inzicht te produceren uit verspreide gegevens door de data-informatie-inzicht-beslissingsladder te begrijpen en stap voor stap kunstmatige intelligentie uit te voeren
- Mogelijkheid om de waarheid te onthullen die verborgen is door totale aantallen door middel van segmentanalyse en onderscheid te maken tussen correlatie en causaliteit
- Vermogen om de redenen die door kunstmatige intelligentie worden aangedragen te behandelen als hypothesen die moeten worden getest en de uiteindelijke beslissing te baseren op geverifieerd inzicht
Elke dag komen er tientallen cijfers op het bureau van een manager terecht: verkoopcijfers, kosten, klachten van klanten, voorraadniveaus, personeelsverloop. Maar het aantal alleen is niet de beslissing. De beslissing begint met het zien van de betekenis binnen het getal. "De omzet is 8 procent gedaald ten opzichte van vorige maand" is een gegeven; "De omzetdaling is te wijten aan het feit dat twee grote klanten in de Egeïsche regio hun bestellingen hebben uitgesteld", is een inzicht. Hier is beslissingsondersteuning – het proces dat data betekenisvol maakt voor de manager om betere beslissingen te nemen – de brug die data omzet in inzicht. In deze unit leren we hoe we AI op deze brug kunnen gebruiken. De grens is vanaf het begin duidelijk: AI levert conceptinzichten op; De manager bepaalt welk inzicht reëel is en wat te doen.
Vier stappen van data naar inzicht
Beslissingsondersteuning is een ladder. Eerste cijfer – gegevens: ruwe cijfers (1.240 bestellingen zijn deze maand binnengekomen). Tweede cijfer – informatie: bewerkt, cijfers vergeleken (8 procent lager dan vorige maand). Derde niveau – inzicht: inzicht in de reden voor de teruggang (vertraging bij twee grote klanten). Stap vier – beslissing: wat te doen (interview met deze klanten en nieuwe klanten targeten). De AI is erg snel op de eerste en tweede stap, is een goede helper op de derde en biedt alleen opties op de vierde.
Het kennen van deze ladder is belangrijk omdat de meeste managers de AI rechtstreeks vragen om “voor mij te beslissen” en gefrustreerd raken. Als u AI echter stap voor stap uitvoert - eerst samenvatten, dan vergelijken, dan mogelijke redenen in twijfel trekken en uiteindelijk zelf de beslissing nemen - zult u zowel snel als betrouwbaar zijn.
Tip: Vraag de AI “wat leid je af uit deze gegevens?” In plaats van alles in één keer te vragen, kunt u stap voor stap te werk gaan door te zeggen: 'eerst samenvatten, dan de drie meest opvallende veranderingen laten zien en vervolgens voor elk twee mogelijke redenen aandragen.' Stapsgewijs denken levert nauwkeurigere resultaten op.
De correlatie- en causaliteitsval
De gevaarlijkste valkuil van beslissingsondersteuning is dat correlatie wordt verward met causaliteit. Er is sprake van correlatie wanneer twee dingen samen bewegen (de verkoop van ijs en het aantal verdrinkingen nemen in de zomer samen toe). Er is sprake van een oorzakelijk verband als het één tot het ander leidt (ijs veroorzaakt geen verstikking; warm weer is de meest voorkomende oorzaak). AI is erg goed in het vinden van dingen die samen in uw gegevens bewegen, maar kan niet zeggen wat de echte oorzaak is. Zeggen dat de advertentie-uitgaven zijn gestegen en de omzet is gestegen, bewijst niet dat reclame de omzet heeft doen stijgen; misschien werden beiden getroffen door de feestdagen.
Dus als AI een reden suggereert, behandel deze dan als een hypothese (aanname die bewezen moet worden), en niet als een feit. “Hoe test ik dit?” vragen. Een goede manager test de reden die de AI suggereert in het veld of met data.
drie minikoffers
Geval 1 — De geheime val opvangen. Bij een e-commercebedrijf leek de totale omzet stabiel, niemand maakte zich zorgen. De manager geeft de anonieme maandelijkse gegevens aan AI en vraagt: "Welk segment groeit en welk segment krimpt?" vroeg hij. YZ toonde aan dat, hoewel de totale omzet constant was, de elektronicacategorie met hoge winsten feitelijk met 22 procent daalde, waarbij de verkoop van accessoires met een lage winst dit maskeerde. De manager bevestigde dit en richtte zich op de categorie elektronica. Het totale aantal was verborgen; De breuk onthulde de waarheid.
Geval 2 — Naar de verkeerde zaak rennen. De manager van een caféketen gaf verkoopgegevens aan AI. "De weekendverkopen bewegen mee met de weertemperatuur", zei YZ. De manager las dit als "warm weer verhoogt de omzet" en zette de airconditioners zachter. De echte reden was echter het toegenomen klantenverkeer tijdens het weekend; De temperatuur bewoog zich toevallig in dezelfde richting. De manager zag correlatie aan voor oorzakelijk verband. Hij heeft zijn lesje geleerd en vanaf nu elke reden op de proef gesteld.
Geval 3 — De vergelijking correct tot stand brengen. De efficiëntie van twee fabrieken in een productiebedrijf werd vergeleken. De manager vraagt de AI: “Is fabriek A efficiënter dan B?” vroeg hij, maar de AI wist niet dat fabriek A nieuwer en kleiner was. De manager corrigeerde de prompt: "vergelijk de opbrengst per eenheid, rekening houdend met grootte en leeftijdsverschil." Deze keer was de analyse eerlijk en kwam het echte verschil aan het licht.
Vier kopieerbare sjablonen
1) Stapsgewijze extractie van inzicht:
Jouw rol: business analist ter ondersteuning van de manager. Gebruik de bijgevoegde anonieme gegevens (periode, categorie, omzet, kosten). Ga stap voor stap te werk: 1) Vat de gegevens samen in 4 items. 2) Toon de 3 meest opvallende veranderingen ten opzichte van de afgelopen periode. 3) Geef voor elke verandering maximaal twee MOGELIJKE redenen aan en geef aan dat dit hypothesen zijn en dat er bewijs nodig is. Verzin geen getallen die niet voorkomen in de gegevens die ik verstrek.
2) Uitsplitsings(segment)analyse:
Zelfs als de totale aantallen stabiel lijken, wil ik weten wat er binnenin gebeurt. Verdeel de bijgevoegde gegevens per categorie/regio/klantsegment. Laat in een tabel zien welk segment groeit en welk segment krimpt. Markeer vooral omkeringen die het totaal maskeren.
3) Correlatie-oorzaaktest:
Ik heb deze relatie gevonden: [A en B bewegen samen]. Help mij te onderscheiden of dit echte oorzaak en gevolg is, of alleen maar actie samen. Noem mogelijke GEMEENSCHAPPELIJKE oorzaken en stel drie praktische controles voor die ik kan doen om deze relatie te testen.
4) Genereren van beslissingsopties:
Ik bevestigde dit inzicht: [inzicht]. Beslis NIET voor mij; genereer in plaats daarvan 3 verschillende actie-opties. Voor elke optie: verwacht voordeel, geschatte kosten/inspanning, groot risico en welke situatie de voorkeur verdient. Presenteer de opties neutraal; iemand niet opleggen.
Zwakke prompt/sterke prompt
Zwakke prompt:
Waarom daalde de omzet?
Geen gegevens, geen periode, geen context. AI somt algemene redenen op (economie, concurrentie, seizoen); Geen daarvan is specifiek voor uw situatie en kan niet worden geverifieerd.
Krachtige prompt:
Jouw rol: retailanalist. Gebruik de bijgevoegde anonieme 6-maandsgegevens (maand, regio, categorie, aantal verkopen, omzet). De totale omzet daalde de afgelopen maand met 8%. Verdeel dit per regio en categorie; Ontdek uit welk segment de daling komt. Stel maximaal twee testbare hypothesen voor voor elke daling die u tegenkomt. Gebruik gewoon de nummers die ik je gaf.
Grootte
slechte aanpak
Sterke aanpak
Gegevens
Geen
Anoniem en bijgevoegd
Vraag
Het algemene “waarom?”
Gebogen en gefocust
uitgang
Algemene redenen
Toetsbare hypothesen
Controleerbaarheid
laag
hoog
beslissingswaarde
Minder
hoog
Veel voorkomende fouten
- Vertrouwend op het totale aantal. Hoewel het totaal constant is, kunnen er binnenin grote omkeringen plaatsvinden; Kijk zeker eens naar de uitsplitsing.
- Correlatie verwarren met causaliteit. Bekijk de relatie die AI vindt als een hypothese die getest moet worden, niet als bewijs.
- Oneerlijke vergelijking. Vergelijk geen eenheden van verschillende maten/leeftijden/omstandigheden zonder ze te normaliseren.
- Beslissingen rechtstreeks opvragen bij de AI. AI genereert opties; Jij draagt de beslissing en de verantwoordelijkheid.
- Conclusies trekken op basis van gegevens uit één periode. Voor trending zijn voldoende historische gegevens vereist.
Let op: Hoe slim een inzicht ook lijkt, het mag geen beslissing worden als het niet kan worden geverifieerd aan de hand van uw gegevens. “De AI zei het” is geen rechtvaardiging; “Ik heb het getest met data en het is gevalideerd” is een rechtvaardiging.
Samengevat
Beslissingsondersteuning is de ladder die data omzet in inzicht: data, informatie, inzicht, beslissing. AI is erg snel in de eerste twee stappen, een goede hulp in de derde, en slechts een optieaanbieder in de vierde. Kijk naar de uitsplitsingen, niet naar de totale aantallen; Verwar correlatie niet met causaliteit; Bekijk de redenen die de AI aandraagt als hypotheses die getest moeten worden. Stapsgewijs denken levert nauwkeurigere resultaten op. De uiteindelijke beslissing is die van de manager op basis van gevalideerd inzicht.
Applicatie taak
Bereid een anonieme dataset van uw bedrijf voor (bijvoorbeeld op categorie gebaseerde verkopen over de afgelopen zes maanden). Laat AI een segmentanalyse uitvoeren met het bovenstaande sjabloon ‘Uitsplitsingsanalyse’. Creëer een hypothese met behulp van het sjabloon 'Correlatie-causaliteitstest' voor de grootste verandering die je hebt gevonden en schrijf in 3 items op hoe je deze hypothese in het veld gaat testen.
controlelijst
- [ ] Heb ik de gegevens geanonimiseerd?
- [ ] Heb ik naar de uitsplitsing (segment) gekeken in plaats van naar het totaal?
- [ ] Behandelde ik de door de AI voorgestelde reden als een hypothese?
- [ ] Heb ik de vergelijkingen eerlijk opgezet (genormaliseerd)?
- [ ] Heb ik de beslissing zelf genomen op basis van geverifieerd inzicht?